Содержание
- 2. 2 Три переменные отображаются в виде линейных графиков выше. Рассматривая данные, невозможно определить, вызваны ли изменения
- 3. 3 Численно Y увеличивается на 5 в каждом наблюдении. X2 изменяется на 1. МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3
- 4. 4 Следовательно, истинное соотношение могло бы быть Y = 1 + 5X2. МУЛЬТИКОЛЛИНЕАРНОСТЬ Y X2 Y
- 5. 5 Однако также можно видеть, что X3 увеличивается на 2 в каждом наблюдении. МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3
- 6. 6 Следовательно, истинная связь могла бы быть Y = 3,5 + 2,5X3. Y = 3.5 +
- 7. 7 Эти две возможности являются частными случаями Y = 3,5 - 2,5p + 5pX2 + 2,5
- 8. 8 Нет никакого способа, чтобы регрессионный анализ или любая другая техника могли определять истинную связь из
- 9. 9 Что произойдет, если вы попытаетесь запустить регрессию, когда существует точная линейная зависимость между объясняющими переменными?
- 10. 10 Мы исследуем, используя модель с двумя объясняющими переменными, показанными выше. [Примечание: термин «нарушение» теперь включен
- 11. Выражение для коэффициента множественной регрессии b2 показано выше. Мы заменим X3, используя его связь с X2.
- 12. Во-первых, мы заменим термины, выделенные. МУЛЬТИКОЛЛИНЕАРНОСТЬ 12
- 13. Мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 13
- 14. Далее, термины, выделенные сейчас. МУЛЬТИКОЛЛИНЕАРНОСТЬ 14
- 15. Мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 15
- 16. Наконец, этот термин. МУЛЬТИКОЛЛИНЕАРНОСТЬ 16
- 17. Опять же, мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 17
- 18. Оказывается, что числитель и знаменатель равны нулю. Коэффициент регрессии не определен. МУЛЬТИКОЛЛИНЕАРНОСТЬ 18
- 19. Необычно, что существует точная взаимосвязь между объясняющими переменными в регрессии. Когда это происходит, это типично, потому
- 20. 20 Однако часто бывает, что существует приблизительная взаимосвязь. Мы будем использовать уравнение заработной платы в качестве
- 21. 21 Когда вы связываете заработную плату с учебой и опытом работы, она, если часто разумно предположить,
- 22. 22 Стандартный способ разрешить это - включить EXPSQ, квадрат EXP, в спецификацию. Согласно гипотезе о снижении
- 23. 23 Мы вписываем эту спецификацию с помощью набора данных 21 МУЛЬТИКОЛЛИНЕАРНОСТЬ . reg EARNINGS S EXP
- 24. 24 Школьный компонент результатов регрессии мало влияет на включение термина EXPSQ. Коэффициент S указывает, что дополнительный
- 25. 25 МУЛЬТИКОЛЛИНЕАРНОСТЬ Аналогично, стандартная ошибка 0.22 в спецификации без EXPSQ также мало изменилась, и коэффициент остается
- 26. 26 МУЛЬТИКОЛЛИНЕАРНОСТЬ В спецификации без EXPSQ коэффициент EXP значителен на уровне 0,1 процента. Когда добавляется EXPSQ,
- 27. 27 МУЛЬТИКОЛЛИНЕАРНОСТЬ Это связано главным образом с тем, что стандартная ошибка увеличилась с 0,21 до 0,68,
- 28. 28 МУЛЬТИКОЛЛИНЕАРНОСТЬ В исходной спецификации 95-процентный доверительный интервал для коэффициента EXP составлял от 0,57 до 1,40,
- 30. Скачать презентацию